論文の概要: Deploying deep learning in OpenFOAM with TensorFlow

• arxiv url: http://arxiv.org/abs/2012.00900v1
• Date: Tue, 1 Dec 2020 23:59:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-30 19:24:41.625865
• Title: Deploying deep learning in OpenFOAM with TensorFlow
• Title（参考訳）: TensorFlowでOpenFOAMにディープラーニングをデプロイする
• Authors: Romit Maulik, Himanshu Sharma, Saumil Patel, Bethany Lusch, Elise Jennings
• Abstract要約: このモジュールはC APIで構築され、実行時にリンク可能なアプリケーションとしてOpenFOAMに統合される。 特に、私たちの定式化は、ニューラルネットワークアーキテクチャのタイプに関する制限を妨げます。 さらに、提案するモジュールは、計算流体力学と機械学習のための、オープンソースで統一的で透明なフレームワークへの道筋を概説している。
• 参考スコア（独自算出の注目度）: 2.1874189959020423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We outline the development of a data science module within OpenFOAM which allows for the in-situ deployment of trained deep learning architectures for general-purpose predictive tasks. This module is constructed with the TensorFlow C API and is integrated into OpenFOAM as an application that may be linked at run time. Notably, our formulation precludes any restrictions related to the type of neural network architecture (i.e., convolutional, fully-connected, etc.). This allows for potential studies of complicated neural architectures for practical CFD problems. In addition, the proposed module outlines a path towards an open-source, unified and transparent framework for computational fluid dynamics and machine learning.
• Abstract（参考訳）: 汎用予測タスクのための訓練されたディープラーニングアーキテクチャをその場で展開可能にするopenfoamにおけるデータサイエンスモジュールの開発について概説する。 このモジュールはTensorFlow C APIで構築されており、実行時にリンク可能なアプリケーションとしてOpenFOAMに統合されている。 特に、私たちの定式化は、ニューラルネットワークアーキテクチャのタイプ(畳み込み、完全接続など)に関する制限を妨げます。 これにより、実用的なCFD問題に対する複雑なニューラルネットワークアーキテクチャの研究が可能になる。 さらに、提案モジュールは、計算流体力学と機械学習のためのオープンソースで統一的で透明なフレームワークへの道筋を概説している。

関連論文リスト

• Serving Deep Learning Model in Relational Databases [70.53282490832189]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)
• MOLE: MOdular Learning FramEwork via Mutual Information Maximization [3.8399484206282146]
  本稿では、モジュールラーニングフレームワーク(MOLE)という、ニューラルネットワークのための非同期で局所的な学習フレームワークを紹介する。 MOLEはニューラルネットワークをレイヤごとにモジュール化し、各モジュールの相互情報を通じてトレーニング目標を定義し、各モジュールを相互情報で順次トレーニングする。 特に、このフレームワークはグラフ型データに対するグラフレベルのタスクとノードレベルのタスクの両方を解決することができる。
  論文  参考訳（メタデータ） (2023-08-15T13:48:16Z)
• Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics [1.8749305679160366]
  本研究では,Navier-Stokes方程式を解くために,有限要素ソルバ内にディープラーニングモデルを埋め込むフレームワークを提案する。 後方向きのステップを流れる流れの手法を検証し,その性能を新しい測地で検証する。 我々は,GNNに基づくクロージャモデルについて,解法制約付き最適化としてクロージャモデリングを解釈することにより,データ制限シナリオで学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-25T14:27:49Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• NeuralFMU: Towards Structural Integration of FMUs into Neural Networks [0.0]
  本稿では、FMUをロード、パラメータ化、シミュレートする機能を提供することで、FMIをJuliaプログラミング環境に統合するFMI.jlという新しいオープンソースライブラリを提案する。 FMIFlux.jlと呼ばれるこのライブラリの拡張が導入され、ニューラルネットワークトポロジへのFMUの統合によってNeuralFMUが得られる。
  論文  参考訳（メタデータ） (2021-09-09T15:42:01Z)
• Cognitive Capabilities for the CAAI in Cyber-Physical Production Systems [2.348805691644086]
  本稿では,サイバー物理生産システム(CPPS)における人工知能(CAAI)の認知モジュールについて述べる。 宣言的なユーザ目標と提供されたアルゴリズム知識ベースによって、動的パイプラインのオーケストレーションとコンフィギュレーションが可能になる。 ビッグデータプラットフォーム(BDP)はパイプラインをインスタンス化し、CPPSパフォーマンスを監視してさらなる評価を行う。
  論文  参考訳（メタデータ） (2020-12-03T10:55:56Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Neural Function Modules with Sparse Arguments: A Dynamic Approach to Integrating Information across Layers [84.57980167400513]
  Neural Function Modules (NFM)は、ディープラーニングに同じ構造機能を導入することを目的としている。 トップダウンとボトムアップのフィードバックを組み合わせたフィードフォワードネットワークのコンテキストにおける作業のほとんどは、分類の問題に限られている。 私たちの仕事の重要な貢献は、フレキシブルなアルゴリズムで注意、疎結合、トップダウン、ボトムアップのフィードバックを組み合わせることです。
  論文  参考訳（メタデータ） (2020-10-15T20:43:17Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。